[发明专利]一种基于移动学习的学习资源自动推荐方法

说明书

本发明属于社交网络中兴趣推荐研究体系中学习资源推荐研究范畴，涉及一种基于移动学习的学习资源自动推荐方法，建立模型解决移动用户学习平台上的用户学习兴趣发现问题，把用户学习兴趣这一问题看作是基于时间和位置维度上的用户学习资源的轨迹特征发现问题，把具有同一资源兴趣的用户看作是一组资源用户群，从用户学习轨迹和资源用户群学习特点角度预测用户可能学习的下一个资源，继而实现用户的学习兴趣发现。

技术领域

本发明属于兴趣推荐的研究范畴，涉及协同过滤推荐、基于内容的推荐、基于上下文感知的推荐等技术领域，特别提出了一种基于移动学习的学习资源自动推荐方法。

背景技术

百度百科：个性化推荐是根据用户的兴趣特点和购买行为，向用户推荐用户感兴趣的信息和商品。随着电子商务规模的不断扩大，商品个数和种类快速增长，顾客需要花费大量的时间才能找到自己想买的商品。这种浏览大量无关的信息和产品过程无疑会使淹没在信息过载问题中的消费者不断流失。为了解决这些问题，个性化推荐系统应运而生。个性化推荐系统是建立在海量数据挖掘基础上的一种高级商务智能平台，以帮助电子商务网站为其顾客购物提供完全个性化的决策支持和信息服务。

智库百科：个性化推荐是根据用户的兴趣特点和购买行为，向用户推荐用户感兴趣的信息和商品。随着电子商务规模的不断扩大，商品个数和种类快速增长，顾客需要花费大量的时间才能找到自己想买的商品。这种浏览大量无关的信息和产品过程无疑会使淹没在信息过载问题中的消费者不断流失。为了解决这些问题，个性化推荐系统应运而生。

基于上下文感知的推荐：上下文可以是用户所有的关键词、用户的位置、时间、设备等信息。Wang等人在电子商务中进行商品推荐时，根据用户购买商品的时间、位置等信息进行个性化推荐。Bakhshi等人向用户推荐餐馆时，不仅要考虑餐馆的风格，还要考虑餐馆离用户的距离、餐馆的停车位、餐馆的人均消费水平等信息；宋晓宇等人在为用户外出旅游进行推荐时，考虑到用户只需要行程时间为两三天的短期旅行，提出了一个基于签到数据的短时间体验式路线搜索方法。

基于位置社交网络(LBSN)的用户兴趣推荐：余永红等人根据社交网络中用户的签到行为特点，利用泊松分布模型替代高斯分布模型建模用户在兴趣点上签到行为，然后采用贝叶斯个性化排序方法拟合用户在兴趣点对上的偏序关系，进行正则化因子约束泊松矩阵分解。Gao等人通过分析用户的签到数据，发现用户的出行具有规律性。例如用户的每天出行具有早出晚归的上班族规律，用户的每周有工作日出行和周末出行规律等。Ye等人根据用户当前的活动，能预测用户的下一个位置。Liu等人根据用户所在位置对其推荐周边可能感兴趣的兴趣点。Noulas等人根据用户位置之间的距离、时间的间隔、位置类型的差异，为用户进行位置推荐[8]。

移动推荐：Gabrilovinch等人通过分析新闻文档之间的动态性和新闻文档自身动态性为用户进行移动新闻推荐。Bao等人利用离线和在线相结合方式进行位置推荐。Yu等人根据移动用户共享的位置、路径等信息，建立了异构网络关系图，根据移动用户的活动频率和用户之间的关联关系，进行地理位置近邻好友推荐。

基于矩阵因子分解的兴趣推荐：Cheng等人根据概率矩阵分解模型，结合社交正则化因子和地域影响力为用户进行兴趣点推荐，以此来改善兴趣点推荐算法的性能。高榕等人在矩阵分解模型基础上，融合评论信息、社交网络信息和地理信息提供兴趣点推荐服务。最近，Lian等人把用户的签到信息看作隐士反馈，在含有权重的矩阵分解模型基础上增加了地域影响力约束分析，建立兴趣推荐模型，以此方法对项目中缺失项赋予较低权重，对已有项目赋予较高权重，从而拟合用户的签到数据。

发明内容

针对移动学习平台向不同用户推荐不同学习资源效果不佳、目前相关技术研究不够深入等问题，本发明的技术方案是一种基于移动学习的学习资源自动推荐方法，包括以下步骤：

步骤1，建立用户-资源-时间-位置四元组

Z＝(U,K,T,L)